客户人工与机器客服的混合服务系统范文

[摘要]客服系统作为客户和服务方实时沟通的重要桥梁，会产生大量的消息交互。大部分针对服务方产品的咨询内容较为固定，但对于这种内容的咨询非常频繁。然而在传统的客服系统中，机器客服生硬且不够友好的回复，以及人工客服压力过大回复缓慢的问题较为突出。如果单纯依赖增加人工客服的手段来改善服务质量又会增加过多不必要的成本。通过分析现有客服系统运行中存在的受限成本下的服务质量瓶颈及服务特征等，提出一种根据服务特征有效解决服务质量与使用成本之间不平衡的方法，并指出其实用价值所在。

[关键词]客服系统；机器客服；服务质量

客服系统是服务商与客户沟通的重要渠道，是客户获取个性化信息，解决疑惑的主要手段。“客户”指使用本系统进行咨询的访问者。从目前行业发展来看，基于文本的web客服系统仍是主流。但人工客服的低效率往往使得平台无法满足高峰时期的客户咨询需求，而人工客服的业务处理速度也不存在较大弹性伸缩的可能性。同时，客户咨询的问题往往包含大量重复内容，而现有机器客服可以轻松处理这些已知的重复性问题，并且在性能上具备良好的伸缩性，可以满足高峰时的咨询需求。同时，结合人工客服对未知问题的处理，可以更好地满足客户咨询的需求，提升服务质量。因此，本文主要针对现有客服系统在受限成本下的服务质量瓶颈问题进行优化，提出一种能够根据服务特征有效解决服务质量与使用成本之间不平衡的优化方案。

1已有客服系统概述

现有客服系统存在的问题主要体现在随着公司业务逐步转移至线上，客服系统不断扩大，人工客服的坐席数量越来越大，而简单增加客服坐席数并不能有效满足线上业务的服务需求。以目前线上业务来说，与传统线下业务存在以下区别：业务量的波动幅度更大；业务高峰时段非传统工作时间；业务时段分布不均，全天皆有；整体咨询量更大。对于以上问题，如果坚持使用全人工的服务方案，需要大量的客服席位，且由于业务量的波动较大，如需满足高峰业务需求，则需要大量增加席位，会造成非高峰时期的人力资源浪费；如果设计满足常规需求，那么在高峰时段则会出现无法满足咨询需求，损失客户，降低服务质量等问题，又难以平衡成本。另外，线上业务的时段分布不均也会造成大量不必要的人工开销。同时在咨询过程中，由于企业知识库的不断扩大，人工客服需要记忆大量的知识以备客户咨询，这又增加了人力的消耗。同时，由于人的局限性，很可能难以处理过于庞大的知识库，进而手工查询，耗费时间。也是由于这个原因，人员入职门槛较高，企业需承担培训成本，而客服人员的流动性本身较大，无疑大幅增加企业开销。因此，现有客服系统在在成本受限情况下的现状主要表现为：无法应对高峰时段咨询需求；高峰时段无法保证服务质量；非常规工作时间难以保证服务；人员流动造成的高额培训费用问题；知识库巨大导致客服入职门槛过高；服务质量监管困难；客户数据损失；人工客服工作量波动过大。

2优化方案设计

本系统的优化方案设计如图1所示。与已有人工客服系统相比，我们引入了机器客服。一方面，机器客服对客户提供服务，一方面，机器客服为人工客服提供辅助的消息提示。解决了高峰时段咨询难的问题。同时，机器客服的辅助也降低了客服人员的培训成本，提升了人工客服的服务质量和效率。与已有的机器客服系统相比，我们的系统优化主要体现在系统中同时存在人工客服和机器客服对咨询提供回复，同时该回复由哪种客服提供对于客户而言是完全无感知的。人工客服与机器客服的切换由消息调度系统实现。通过此项机制，当机器客服有极高把握回复时，将替代人工客服直接回复，而不能或没有足够高把握回复的消息，将给出知识库的相关知识内容，并交由人工客服回答，人工客服可以利用机器客服给出的相关知识内容，快速进行回复。同时，机器客服的引入也有效缓解了业务量的波动，便于评估人工客服的需求。在系统设计中，引入独立的数据记录与分析模块。利用独立的数据记录和分析，不断优化机器客服模型，提升机器客服能力，同时也对人工客服平台的服务质量加以监管。

3方法介绍

3.1机器客服的职能

机器客服的引入，主要是解决传统人工客服的诸多局限性，实现替代绝大部分人工客服的工作，通过建立机器客服系统，人工&机器客服调度系统，数据分析系统实现业务。自然语言引擎处理输入的句子，根据句子结构，词性关系，实词内容，中心词等按规则检索知识库，获取知识后按规则构句输出。通过复杂而精细的规则适配多种场景多种问题，达到稳定的回复表现，具体体现如下：一是快速的句子拆分，规则匹配。二是多重知识库的检索能力。利用句子拆分和复杂的规则匹配，将生成多条检索请求，而这些检索请求并非相同权重，根据规则判断其权重大小，结合搜索结果判断内容与问题的匹配程度。使用多个维度进行检索，可以有效地避免无用知识，并且尽可能全面的拉取最相关的知识进行整合或推荐至人工客服。三是数据分析能力。直接记录经过客服系统(含人工客服)的所有消息，拆分问答对，从问答中抽取特征生成报告，鉴于系统需求高度可靠性，规则或知识库的条目增加需要人工审核和测试，机器学习仅用于生成建议模型，但并不直接添加至规则库或知识库。同时，也可以对通过语言情感分析，咨询内容分析等，了解客户的满意程度，客服平台的服务质量。同时，可以对客户进行建模，建立画像等信息，有助于精准的推广和营销活动的进行。在这种应用背景下，本系统中的机器客服可以为客户提供不同类型的回，主要包括：一是对于事物属性类咨询的回复。对于事物的属性类咨询，可以通过拆分句子结构的方法判断，判断特定句子类型。同时提取句中的实词等信息，抓取关键字，调用知识库进行回复。此类问题答案较为固定，句子特征明显，从现有技术上来看，实现较为简单。二是对于简单产品属性对比的咨询回复。对于简单的产品属性对比，基本可以使用同第一条的方式进行句意判断。由于多属性对比涉及主观因素。故机器客服无法进行综合的，多属性的对比。三是对于非主观的，知识性问题的回复。此部分问题，依然可以通过句子特征进行判断。例如：“×××是××么？”，此类问题答案较为固定，知识库中存在即可进行回复。四是简单查询类的回复。对于查询物流，查询日期等问题的咨询，可以通过机器客服直接调取知识库进行。五是基础问候语句的回复。此部分需要较为完善的回答模型，根据上下文判断当前状态，仅可以对基础的问候语句进行回复。六是所有业务类问题的相关内容建议。对于机器客服不能解答，不能理解的问题，可以对句子中的主要实词进行查询，将获取到的内容反馈给人工客服，提升人工客服回复效率。七是曾经人工客服回复过的问题的再次提示.对于人工客服曾经回答过的问题，如再次有客户询问，且机器客服仍然不能解决的。将会为人工客服给出相关聊天记录的建议和提示，方便人工客服参考。

3.2人工客服的职能

本系统中依然存在人工客服，主要是因为人工客服具备大量机器客服无法完成的能力。如突发事件的处理，主观问题的处理，卓越的学习和理解能力，远超机器客服的构句能力，日常交流能力。这些与机器客服相比十分突出的能力决定了人工客服的不可替代性，但这里的不可替代仅仅是客服业务中的部分业务。恰巧，这部分业务占比并不大，企业可以通过雇佣少量的，高质量的，长期的人工客服来处理这部分业务，以提高服务质量和稳定性。而非必须人工客服的业务，则交由机器客服，一方面缓解了人工客服的工作量，一方面使对人工客服的业务量波动更小，提升服务质量。因此，在本系统中人工客服的具体工作与传统人工客服的工作并无两样。但机器客服将为人工客服给出相关的建议，大大提升了人工客服的工作效率，同时也节约了人工客服的学习成本。同时，基于数据分析和机器学习的新的问答模型构建，也将由人工客服进行测试和审核。

3.3客户无感知的服务调度

在已有的客服系统中，机器客服机械的回复并不友好，如果要切换到人工客服却经常需要排队等候，整体服务质量并不很高。而本系统针对这一点做出了改进，在机器客服与人工客服的调度上，对客户无感知。即机器客服可以回答的问题将由机器客服直接回答，哪怕上一个问题是人工客服进行回答的。同时，在人工客服较忙的情况下，机器客服将给出一些拖延时间的话语，如“请稍等”等语句，尽可能的提升用户体验。同时，在人工客服过于繁忙，消息量过于巨大的情况下，可以适当降低机器客服的回复门槛，让机器客服将一些较为全面的建议内容直接回复给客户。

4结语

目前，基于机器客服的客服系统已经初步应用于各大电商客服，网站客服等。但机器客服较多使用的仍然是基于关键词的回复，且机器客服与人工客服的调度仍然不够流畅，一方面造成了客户体验不佳，一方面增加了人工客服的工作量。随着机器客服的日渐成熟，加上本系统中设计的合理的调度系统，基本可以无缝衔接机器客服与人工客服，即：一问多答的模式，无论哪个客服能解答，都可以进行回复。而剩下的如重复消息、上下文、历史咨询等问题，将交由调度系统。不仅大幅减少了人工客服的数量，还保证了类似全人工客服的服务质量，同时提升了服务稳定性。

作者：申珈宇 单位：南京信息职业技术学院